Soft sensor development using artificial intelligence and statistical multivariate methods
Notice bibliographique
Résumé
The lack of real-time measurement of certain critical product and process characteristics is a major problem in the manufacturing industry, and it can lead to an out of specification production. A soft sensor is a predictive model that uses readily available process measurements to infer variables that are impossible or difficult to obtain in real-time. In this work, historical process data related to the black liquor recovery circuit from a Canadian kraft pulp and paper mill is used to develop soft sensor models for the black liquor solid content at the concentrator feed. Prior to modeling, irrelevant variables and observations not representative of a normal operating regime are eliminated from the dataset. For practical reasons related to modeling restrictions and soft sensor industrial implementation, is proposed that a limited number of variables be used as model inputs. Two Partial Least Squares-based selection criteria are used to select the most relevant predictors. Two different sets of ten variables are obtained and used to develop Sugeno-type fuzzy logic, neural network and Partial Least Regression models. Their predictive performance is compared in order to determine the best model configuration and input selection method. iii Currently, the black liquor solid content at the concentrator feed is measured once every eight hours, by performing a laboratory analysis. The proposed soft sensor model can be used to provide a real-time value of the solid content, allowing operators to monitor the process and act timely if corrective actions are required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».